如何从python中不同类型的日期中提取年份

Question

我有一列包含不同类型的日期，例如：

2\06\1998
21.11.1998  
18-02-2001
03/05/1999 
20 july 1999

我只想要年份。

我尝试了不同类型的正则表达式，例如：

def get_date(date):
        number= re.findall('\[0-9]\-{0,1}\\{0,1}\/{0,1}\[0-9]\-{0,1}\\{0,1}\/{0,1}\[0-9]', date)
        return number[6:]

但我无法提取年份。 这种情况下最合适的正则表达式是什么？ 做两种类型的正则表达式不是问题，一种用于格式 dd/mm/yyyy，另一种用于带有月份字母的日期。

Answer 1

您可以使用 2 个捕获组，在第一个组中，您可以使用反向引用 \1 捕获分隔符以匹配第二个的一致分隔符。

年份部分被捕获在第二组中。

^\d+([\\/. -])(?:\d+|[a-z]+)\1(\d{4})$

Regex demo

除了使用锚点^ 和$，您还可以使用lookarounds

(?<!\S)\d+([\\/. -])(?:\d+|[a-z]+)\1(\d{4})(?!\S)

Regex demo

图案部分

• (?<!\S) 断言左边不是非空白字符
• \d+ 匹配 1+ 个数字
• ([\\/. -]) 捕获组 1，匹配任何列出的
• (?:非捕获组
  • \d+匹配1+位数
  • | 或
  • [a-z]+ 匹配 1+ 个小写字符
• )关闭非捕获组
• \1 反向引用第 1 组中捕获的内容
• (\d{4})捕获组2，匹配4位年份
• (?!\S)断言右边的不是非空白字符

Answer 2

我会使用简单的\d{4} 正则表达式。

import re

s = """2\\06\\1998
21.11.1998  
18-02-2001
03/05/1999 
20 july 1999"""
for date in s.splitlines():
    year = re.search(r"\d{4}", date).group(0)
    print(year)

Answer 3

Pandas to_datetime 非常擅长识别不同的日期格式。唯一的问题是反斜杠，但如果你可以使用字符串格式替换它们，那么我认为它比使用正则表达式更容易。

import pandas as pd
df = pd.DataFrame({"date": ["2\\06\\1998", "21.11.1998", "18-02-2001", "03/05/1999", "20 july 1999"]})

df["date"] = df["date"].str.replace("\\", "/")
df["date"] = pd.to_datetime(df["date"])
df["date"].dt.year

0    1998
1    1998
2    2001
3    1999
4    1999
Name: date, dtype: int64

Answer 4

不要落入正则表达式/'strip the last 4 characters' rabbit-hole。 如果到达另一种格式的日期（例如2019-08-27），任何天真的正则表达式/剥离解决方案都会中断。

使用pd.to_datetime 让pandas 处理解析，然后直接抓取dt.year。

df = pd.DataFrame({'a': ['2/06/1998', '21.11.1998', '18-02-2001', '03/05/1999',
                         '20 july 1999', '2019-08-27']})
df['a'] = pd.to_datetime(df['a'])
print(df['a'].dt.year)

输出

0    1998
1    1998
2    2001
3    1999
4    1999
5    2019

注意：请注意，我必须更改斜线的方向（2\06\1998 到 2/06/1998），但获得更强大的解决方案的代价非常小。